张春雨

（华北理工大学人工智能学院 河北 唐山 063210）

1 引言

电子对抗技术（electronic counter measures，ECM）是指采用的一些电子措施和行为动作达到与对方在电子战中相抗衡的目的。电磁波作为传递信息的重要载体之一，也是获取对方情报的重要手段，通过分析能够把握对方的关键技术和作战信息等，更有利于在对抗中占据优势地位[1]。

辐射源识别（emitter identification，EI）是现代电子对抗中的一个关键环节，如何有效提取辐射源信号的深层特征，构建可以广泛使用的识别分类模型成为当下研究的关键问题。鉴于深度学习（deep learning，DL）在其他领域的良好表现，将其引用到信号识别领域是十分必要的。一方面，实现特征的自动提取和分析；另一方面，可以再通过训练、学习保持识别能力。即使在趋于复杂的电磁环境下，对未知辐射源识别也能保持很好的泛化性能[2]。

本文重点研究基于小波分解和深度学习的辐射源信号识别算法，针对人工提取特征模型泛化能力低、提取二维时频图特征时效性差的问题，提出了新的解决思路。

2 理论基础

2.1 小波分解

辐射源信号是一个一维时间序列，信息维度低，且原始数据中包含了不必要的高频噪声信息，为了增加数据维度和去噪，本文采用多尺度一维小波分解对数据进行处理，既能得到各频带的子信号又增加了信号的维度，使后文提出的模型达到更好的识别效果[3]。

小波分解关键在于使用尺度函数和小波基函数将原始信号分解为不同频带的子信号[4]。通过小波分解可以实现数据增维和去噪，使用小波分解信号时，不同的小波基函数会产生不同的分解效果，因此需要根据实验确定具体的小波基函数。

2.2 1DLeNet-5

LeNet-5模型在1998年被提出，是第一个在结构上比较完备的卷积神经网络模型，在手写数字的实际应用识别上取得了很大的成功[5]。

LeNet-5网络结构主要包括两个卷积层和三个全连接层，卷积层可以通过共享卷积核减少网络参数，降低模型复杂度。在每个神经元中，使用Sigmoid作为激活函数。卷积层后采用最大池化来降低数据维度。全连接层用来实现特征的映射。输出层实现分类的效果，神经元的个数即是分类个数，多采用Softmax分类器实现。

CNN有卷积核参数共享和层间连接的稀疏性等特点，使得CNN能够通过较小的计算量对格点化特征，例如像素和音频进行学习，有稳定的效果且对数据没有额外的特征工程要求。一维卷积神经网络（1-dimensional convolutional neural network，1DCNN）的特点是特征维度是一维，相比于二维卷积，可以提高算法的时效性[6]。模型中参数有很多，比如卷积核大小等，这些不是凭经验得到的，而是经过了大量实验对比识别结果得出来的，因此模型的反复训练需要很长的时间来进行。LeNet-5是比较简单的卷积神经网络模型，为了解决更复杂的问题，其后提出的模型无论是在深度上还是在参数个数上都有不同程度的增加。

3 基于小波分解和1DLeNet-5的辐射源信号识别算法

通过理论分析，小波分解对辐射源信号能够实现比较好的处理效果，提出了基于小波分解和1DLeNet-5的辐射源信号调制识别算法[7]，以LFM信号和1DLeNet-5模型结构为基础，算法流程说明如下。

（1）基于小波分解的信号处理。首先，对LFM信号进行3级小波分解，然后通过FFT将信号转换到频域。小波分解的作用是把信号分解为不同频带的子信号，能够更加全面地反映信号特征和去噪。FFT使选择的特征不受载频变化影响，使信号特征更明显，同时数据量也减少。

（2）基于1DLeNet-5的特征提取。将预处理后的信号频谱合并为一维向量作为模型的输入，首先通过两个一维卷积层提取辐射源信号的特征，使用一维池化进行特征筛选。然后将特征拉直成一维向量，使用两个全连接层进行特征映射。

（3）辐射源信号分类识别。本文对6种不同类型的辐射源信号进行分类，且各种类型是互斥的，因此选择使用Softmax分类器实现。

4 仿真实验与结果分析

本文使用6种不同调制类型的辐射源信号进行了仿真分析，其中包括线性调频信号、方波信号以及相位编码信号3种不同调制类型的雷达信号，采样点数均为1024，波形的频率在[100 MHz/6，100 MHz/5]之间随机，采样频率100 MHz。线性调频带宽在[100 MHz/20，100 MHz/16]之间随机产生。相位编码码片数量在[3，4，5，7，11]中取值，周期取[1，5]之间随机数。以及高斯频移键控、连续相位频移键控和双边带幅度调制3种类型通信信号，通过使用多径衰落、中心频率和采样时间漂移以及高斯白噪声生成信道受损样本，采样点数均为1024，采样频率为200 KHz。6种信号在-8:2:10信噪比下，产生每组100个样本，按照7:3比例划分训练集和测试集。1DLeNet-5模型的详细参数如下：输入信号为1×448，两个卷积层均是6个大小为4的卷积核，Relu激活函数，后接BN，两个池化层均为2×2最大池化，第2个全连接层有120个神经元，第2个全连接层有84个神经元，Dropout大小均为0.5，输出层为Softmax，神经元个数为分类数。模型训练200次，测试集信噪比为-6 dB，通过比较不同小波基下模型的损失和识别率，为了使损失更小、识别率更高，本文选择使用bior2.6小波基函数。在不同信噪比下对每种信号的识别率见表1。

表1 不同类型信号在不同信噪比下的识别率

通过分析表1，对于3种雷达信号，在不同信噪比下都可以准确识别；对于GFSK信号，模型无法识别，并且通过混淆矩阵，GFSK信号大部分被识别为CPFSK信号，还有小部分被识别为DSB-AM信号；CPFSK和DSB-AM两种通信信号的识别率上下波动，通过混淆矩阵，原因是互相识别错误。除去GFSK信号，另外5种信号在-8 dB时的整体识别效率能够达到75%。

5 结论

本文提出了一种使用小波分解和1DLeNet-5卷积神经网络的辐射源信号识别方法。通过6种类型的雷达和通信辐射源信号进行了仿真验证。在该方法中，首先使用小波分解对辐射源的时域信号进行3级分解，然后转换到频域，组合成一维信号样本，作为1DLeNet-5模型的输入，最后自动识别信号类型。实验结果表明：不同小波基，检测结果有差异，当采用bior2.6小波基函数识别效果更好一些，尤其对雷达信号均可以准确识别，通信信号之间会相互识别错误；一维卷积和二维卷积相对比，结构更简单、参数更少。以上结论最终验证了本文所提出的，基于小波分解和1DLeNet-5模型的辐射源信号识别算法的可行性和有效性。